天才就是當世上所有人都覺得他瘋了的時候，他依然清晰地知道自己不是真的瘋了，而是比旁人看的更長遠。
——致敬為科學一直堅持的先輩
神經網絡的發展可以追溯到二戰時期，那時候先輩們正想著如何用人類的方式去存儲和處理信息，於是他們開始構建計算系統。
由於當時計算機機器和技術的發展限制，這一技術並沒有得到廣泛的關注和應用。
幾十年來，神經網絡之父Hiton始終堅持計算機能夠像人類一樣思考，用直覺而非規則。
儘管這一觀點被無數人質疑過無數次，但隨著數據的不斷增長和數據挖掘技術的不斷進步，神經網絡開始在語音和圖像等方面超越基於邏輯的人工智能。
幾乎是一夜間，神經網絡技術從無人相信變成了萬人追捧。
人工神經網絡是什麼？
人工神經網絡：是一種模仿動物神經網絡行為特徵，進行分佈式並行信息處理的算法數學模型。
這種網絡依靠系統的複雜程度，通過調整內部大量節點之間相互連接的關係，從而達到處理信息的目的，並具有自學習和自適應的能力。
簡單來說，就是通過大量的樣本訓練神經網絡，得到結論。接著就可以輸入新的信息，看最後得出怎樣的回應。
例如，周杰倫週末在北京開演唱會，班主任會考慮時間、地點、價格、天氣、是否有同伴，這些因素然後根據這些判斷因素，做出是否去看演唱會的決定。
從班主任接收到演唱會信息，到做出相應判斷，這整個過程就是神經網絡運行的過程。
人工神經網絡組成
一個典型的神經網絡，由成百上千萬的人工神經元構成，他們排列在一系列的層中，每個層之間彼此相連。
基本上由三個相互連接的層組成：輸入層、隱藏層和輸出層。
班主任畫了一個簡單的圖來幫助同學們理解：
由上圖，可以看出，輸入層向隱藏層輸入信息，隱藏層會向輸出層輸送數據。下面班主任來介紹人工神經單元的這三個組成部分：
A、輸入層
輸入層是接收每個觀測值的解釋屬性的值作為輸入。一般情況下，輸入層從外界接收各種各樣的信息，神經網絡會用這些信息進行學習、識別或進行其它的處理。
B、隱藏層
隱藏層將給定的轉換應用於網絡內的輸入值。隱藏層的節點數目不定，但隱藏層越多，神經網絡越強健。
C、輸出層
輸出層接收來自隱藏層的連接，它返回一個對應於響應變量預測的輸出值，再通過輸出層的活動節點結合並改變數據以產生輸出值。
人工神經網絡，就是通過這三個層面模擬著人類的思考過程。
常見的神經網絡類型
A、BP神經網絡
BP神經網絡，是按誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成，是一種應用最為廣泛的神經網絡。
先來看一下BP神經網絡的流程圖：
由BP神經網絡流程圖可以看出，正向傳播處理過程和人工神經網絡的流程相同。其本質的區別是，增加了誤差的反向傳播階段。
當實際輸出與期望輸出不符時，誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。
簡單來說，即通過信息正向傳播和誤差反向傳播，不斷地進行學習訓練，一直到網絡輸出的誤差減少到可以接受的程度。
B、卷積神經網絡
卷積神經網絡是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋範圍內的周圍單元。
換個角度思考，卷積神經網絡就是多層的神經網絡，前面的層訓練出的特徵作為下一層的輸入，所以越到後面的層，特徵越具體。
卷積神經網絡在大型圖像處理方面展示出了非凡的效果。
例如，我們需要在眾多圖像中鑑別出一隻貓，人類可以通過已有的常識判斷出特徵，比如貓頭、貓身、貓尾巴等從而鑑別出一隻貓。
而卷積神經網絡完全不知道什麼是貓頭、貓身、貓尾巴，卷積神經網絡通過學習物體的抽象特徵，這種特徵在現實世界有可能都沒有特定的名詞，但是通過這些自學的的特徵組合在一起，計算機就會判定這是一隻貓！
由上面的圖可以看出，神經網絡A，可以查看輸入層的X，輸出h。一個遞歸的神經網絡可以被認為是同一個神經網絡的多個副本，每一個副本都傳遞一個消息給輸出層。
D、長短期記憶網絡
長短期記憶網絡，是一種時間遞歸神經網絡，適合於處理和預測時間序列中間隔和延遲相對較長的重要事件。它能夠解決傳統的神經網絡中的後面的時間節點感知力下降的問題。
值得一提的是，長短期記憶網絡在算法中加入了一個處理器，放置了三扇門：輸入門、遺忘門、輸出門，以此來判斷信息是否有用。
只有符合規則的信息才會被留下，不符合的會通過遺忘門被遺忘。
精彩搶先看：
咱們AI大學2018年第二期「未來課棧」將於6月14日在成都舉辦！
人工智能領域知名學者和專家將與同學們一起分享AI理念、研討基礎科學、剖析趨勢變化、指引全新方向，盛夏六月，AI不虛此行。
報名通道和相關信息將在後續的推文裡透露給大家哦~
閱讀更多 AI研究所 的文章
